Почему AI-детекторы помечают тексты не носителей как подозрительные (ложные срабатывания)

Вы написали каждое слово своей работы. Вы привели источники, дважды отредактировали текст и отправили его с чистой совестью. Отчет вернулся с отметкой «скорее всего написано ИИ», и теперь вы пытаетесь опровергнуть негативное утверждение о собственном письме. Если английский — ваш второй язык, это не редкая случайность. Это подтвержденный устойчивый сценарий.

И вот неприятная правда: ложное срабатывание AI-детектора гораздо вероятнее затронет автора-не носителя английского, чем автора-носителя. Причина не в том, что письмо не носителей «хуже». Дело в том, что эти инструменты измеряют статистическую «фактуру» языка, а аккуратное и ясное письмо на втором языке по случайному совпадению оказывается похожим по набору признаков на машинный текст, который эти системы обучались выявлять.

Это не единичная претензия уставших студентов. Таков вывод рецензируемых исследований; именно поэтому несколько крупных университетов отступили от использования этих инструментов; поэтому суды и администраторы начали относиться к результатам детекторов с реальной осторожностью. Таково то, что говорит доказательная база, и таковы действия, если детектор ошибается.

Что показало исследование Stanford о предвзятости детекторов

Самые убедительные данные дает исследование 2023 года, выполненное Liang и соавторами в Stanford. Оно опубликовано в журнале Cell Press Patterns и в самом названии, предельно прямо, говорит: «GPT detectors are biased against non-native English writers.»

Исследователи прогнали эссе через семь широко используемых детекторов. Для эссе, написанных носителями неанглийского языка (они были взяты из корпуса TOEFL), в среднем детекторы помечали примерно 61% как сгенерированные ИИ. Для эссе авторов-носителей уровень ложного срабатывания составлял около 5%. Почти каждое пятое из эссе не носителей — около 19,8% — получило единогласную отметку «ИИ» от каждого детектора в тесте. Во всех случаях это были человеческие тексты.

Механизм — самая интересная часть, потому что он объясняет, почему предвзятость «встроена» в систему, а не является случайным эффектом. Многие детекторы опираются на сигнал под названием perplexity — мера того, насколько «неожиданным» оказывается выбор слов в тексте для языковой модели. Текст, изобилующий распространенными словами и предсказуемыми формулировками, дает низкую perplexity; а низкая perplexity считывается детектором как «машиноподобная». Авторы на втором языке часто используют более ограниченный и более традиционный словарь — не потому, что их идеи проще, а потому что они пишут внимательно на языке, который не является первым. Детектор видит гладкую поверхность и называет ее искусственной.

В этом и кроется суть проблемы справедливости: те привычки, которые делают аккуратное письмо на втором языке ясным и корректным, — это привычки, которые эти инструменты были созданы «наказывать».

Почему письмо не носителей чаще запускает ложные срабатывания AI-детекторов

Стоит «прожить» вопрос, почему это происходит: понимание снижает часть жала от плохой отметки.

Носитель языка, пишущий быстро, рассыпает идиомы, необычные словоупотребления, странные ритмы и изредка использует грамматические обходные приемы. Такая непредсказуемость фиксируется как высокая perplexity и читается системой как «человеческая». Автор-не носитель, или — откровенно говоря — любой дисциплинированный академический автор, чаще выбирает точные стандартные конструкции и контролируемый словарь. Большие языковые модели тоже предпочитают точные стандартные конструкции и контролируемый словарь. Детектор не может различить аккуратного человека и аккуратную машину: на той оси, которую он измеряет, они выглядят одинаково.

Ничто из этого не означает, что текст хуже качеством. Ясность — достоинство академического письма, а не дефект. Это лишь означает, что детектор измеряет «не то» и делает уверенный вывод из неверного сигнала.

Опасность — в этой самой уверенности. Инструмент, выдающий «четкий процент», звучит авторитетно даже тогда, когда число опирается на сигнал, систематически неблагоприятный для целой группы реальных авторов.

Университеты, которые отказались или ограничили использование AI-детекторов

Институции заметили проблему рано, и несколько из них предприняли действия.

В августе 2023 года Vanderbilt University отключил AI-детектор Turnitin и опубликовал необычно подробное объяснение своего решения. Там отмечалось, что при заявляемой вероятности ложного срабатывания порядка 1% это не было бы значимо по отношению ко всей работе целиком, с учетом примерно 75 000 подач в год. Однако было показано, что инструмент дает предвзятые результаты против авторов-не носителей, а процессы его работы непрозрачны, поэтому около 750 работ могли бы оказаться ошибочно помеченными. Michigan State, University of Texas at Austin, Northwestern и University of Pittsburgh приняли похожие меры. Southern Methodist University отступил от использования инструмента в декабре 2023 года, а University of Waterloo последовал в сентябре 2025 года после того, как обнаружил, что человеческие тексты оцениваются как полностью написанные ИИ.

Руководство Turnitin также отличается осторожностью. Его AI-индикатор «понижает» значения с 1 до 19%, используя звездочку, а не число: это сделано потому, что ложные срабатывания более распространены на нижнем конце шкалы. Кроме того, компания прямо предупреждает, что показатель не следует использовать в одиночку для принятия решений относительно академической добросовестности. По сути, это рекомендация поставщика учреждениям не считать собственный вывод Turnitin доказательством — и это сильный намек на то, сколько веса вообще заслуживает одно число.

Если ваша школа по-прежнему использует эти инструменты, это не повод для паники. Это повод знать свои права и сохранять доказательства — к чему мы ниже и вернемся.

Реальные случаи, разложенные по полочкам

Некоторые споры попали в новости, и их стоит понимать максимально точно, потому что детали важны, а заголовки часто все смешивают.

В деле Orion Newby в Adelphi University студенческое эссе было помечено как полностью сгенерированное ИИ. Федеральный судья пересмотрел ситуацию и признал результат «без оснований» («without merit»), распорядившись убрать его с записи студента — как сообщалось в феврале 2026 года. Мы разбираем, что именно это решение установило и чего не установило в решении по делу Newby v. Adelphi. В UC Davis William Quarterman был помечен с помощью GPTZero и восстановил свою репутацию, используя историю версий в Google Docs: она показывала, что эссе писалось постепенно. Это было административное урегулирование, а не судебный иск.

Один момент нужно сказать прямо: многие онлайн-обзоры передают это неверно. Ни один из исходов не являлся судебным решением против компании Turnitin, и ни один студент в этих делах «не подавал в суд на Turnitin и не выиграл». Споры шли с учебными заведениями о том, как использовалась отметка, а вывод относится к процессу и доказательствам, а не к тому, что поставщик детектора проиграл в суде. Если сформулировать точно, вывод обнадеживает: оценка детектора — это утверждение, а не приговор, и добросовестные авторы успешно оспаривали его.

Что делать, если вас ошибочно пометили

Если детектор пометил работу, которую вы написали сами, ситуацию можно исправить. Авторы, которые успешно решают проблему, как правило, делают одно и то же ограниченное число шагов.

Сохраняйте черновики и историю версий. Google Docs и Word фиксируют правки во времени, и именно эта временная шкала является самым убедительным доказательством, которое вы можете предоставить — так же, как это было в деле UC Davis. Деликатно уточните, какой именно показатель запустил пометку, и как его интерпретирует проверяющий: скрытый или пограничный результат — слабая опора для любых решений. Если вам нужно изложить аргумент о справедливости в письменной форме, сошлитесь на приведенные выше исследования и институциональную осторожность. Наша пошаговая инструкция о том, как обжаловать ложную AI-пометку детектора, проводит через весь процесс.

В дальнейшем цель не в том, чтобы «перехитрить» инструмент. Цель — писать уверенно и естественно на английском, чтобы ваша аккуратная проза реже читалась как подозрительная; и раскрывать любое использование ИИ так, как это требует политика вашей организации. Наш AI text humanizer создан именно для этого, а если английский — ваш второй язык, то наш отдельный гайд по AI humanizer для исследователей ESL раскрывает рабочий процесс глубже. Стремиться нужно к справедливости для уже проделанной вами работы, а не к маскировке.

До и после: как исправить «плоскую» фактуру, из-за которой детектор ошибается

Теорию проще принять, когда можно увидеть ее на реальном абзаце. Вот фрагмент результатов, который исследователь ESL составил с помощью AI-помощника, чтобы сгладить английский. Текст читается чисто, и все же детектор его пометил.

До (помечено как вероятный ИИ):

"The results demonstrate that the intervention significantly reduced recovery time by 27% across all cohorts (Chen et al., 2021). This substantial improvement clearly highlights the effectiveness of the proposed approach. The findings confirm the hypothesis and underscore the importance of early intervention."

Три предложения почти одинаковой длины: каждое условие шагает в одном темпе. Словарь безопасный и предсказуемый. Именно такая ровность детектор считывает как низкую perplexity и низкую burstiness — и именно такая «фактура» часто обнаруживает много подлинных текстов не носителей.

После (отредактировано в «голосе» автора):

"Recovery time fell by 27% across the three cohorts (Chen et al., 2021), a bigger drop than we had expected (n = 214). The effect held, though it was weaker in the oldest group. That pattern points to a real benefit from early intervention, but with a sample this size we would not push the claim further than the data allows."

Если читать их подряд, второе звучит так, будто его написал человек.

Что изменилось и почему это важно. Мы сохранили каждую «несущую» фактуру: цифру 27%, ссылку (Chen et al., 2021), количество когорт и размер выборки. Ничего из доказательств не сдвинулось. Мы добавили вариативность. Длины предложений теперь качаются от длинных к коротким и снова к длинным — это повышает burstiness. Выбор слов менее предсказуем — это повышает perplexity. Мы также вернули осторожность (hedging): «points to», «we would not push the claim further». AI-черновики убирают эту оглядку, как и инструменты чрезмерного «сглаживания», — и это одна из причин, почему отточенный ESL уходит в профиль, похожий на ИИ.

Это также правка качества, а не трюк. Версия после редакции делает более взвешенное и более защищаемое утверждение, чем версия до: там было чрезмерно уверенно с «demonstrate» и «confirm the hypothesis». В этом мы и продолжаем убеждать: редактирование, которое снижает риск ложной отметки, обычно то же самое редактирование, которое проходит рецензирование. Academic humanizer может выполнить первый проход, сохранив ваши цитаты и цифры, но вы все равно читаете каждую строку.

Оговорка. Ни одна правка не гарантирует чистый результат, а детекторы продолжают меняться (Turnitin добавил detection с humanizer в августе 2025). Ориентируйтесь на письмо, отражающее вашу собственную логику, понимайте что измеряет perplexity и раскрывайте помощь ИИ в соответствии с требованиями вашего журнала или университета.

Часто задаваемые вопросы

В: Почему AI-детекторы помечают авторов-не носителей английского как подозрительных?

Большинство детекторов измеряют, насколько предсказуемы варианты слов в тексте, и аккуратное письмо на втором языке обычно использует распространенный, стандартный словарь, который выглядит как низкая perplexity. Эта статистическая «гладкость» кажется инструменту машиноподобной, поэтому возникает ложное срабатывание AI-детектора, даже если человек написал каждое слово. Предвзятость встроена в то, что измеряет детектор, а не в качество письма.

В: Что показало исследование Stanford о предвзятости детекторов?

Станфордское исследование 2023 года в Patterns проверило семь детекторов и выяснило, что они помечают как ИИ примерно 61% эссе TOEFL не носителей по сравнению с примерно 5% для авторов-носителей. Почти 20% эссе не носителей получали единогласную отметку от каждого детектора. Все эссе были написаны людьми.

В: Что делать, если меня ошибочно пометили как написавшего это с помощью ИИ?

Сохраняйте историю черновиков из Google Docs или Word: видимая временная шкала написания — самое сильное доказательство, которое у вас есть. Уточните, какой показатель запустил пометку, подкрепите позицию исследованиями о ложных срабатываниях и следуйте четкому процессу апелляции. Оценка детектора — это утверждение, которое вы можете оспаривать, а не окончательный вердикт.

В: Университеты перестали использовать AI-детекторы?

Некоторые из них ограничили или отключили использование. В 2023 году Vanderbilt отключил AI-детектор Turnitin из-за опасений по ложным срабатываниям и предвзятости; аналогичные шаги предприняли Michigan State, UT Austin, Northwestern, Pittsburgh, SMU и Waterloo. Многие учреждения, которые все еще используют детекторы, сейчас трактуют показатель как один сигнал, а не как доказательство.

В: Повышает ли риск быть помеченным как ИИ письмо на более простом английском?

В определенной степени — да. Детекторы читают более простой и более предсказуемый словарь как низкую perplexity, то есть как тот же статистический сигнал, который они ассоциируют с ИИ. Поэтому ясное письмо ESL действительно чаще вызывает ложные срабатывания. Исправление состоит не в искусственном раздувании словаря, а в возвращении естественной вариативности предложений, ваших собственных оговорок и вашего «голоса».

В: Могу ли я исправить ложную пометку ИИ правками собственного текста, не используя humanizer?

Часто — да. Читайте черновик вслух, варьируйте длину предложений и возвращайте ограничения, которые вы действительно имели в виду: это поднимет burstiness и сделает текст похожим на то, что вы написали сами. Инструмент может ускорить первый проход, но цель — подлинный авторский «голос», и при этом вы должны раскрывать любые AI-помощи в соответствии с требованиями вашего журнала или университета.